Introduccion. En este trabajo lo que haremos es crear mapas que nos muestren las ciudades de la república mexicana con más casos de sars-cov-2 y también otro mapa de la ciudad de México que es uno de los puntos con más casos confirmados en todo el país. Este trabajo tiene la finalidad enseñar un poco lo que se puede hacer con el programa R, ver la gran utilidad que tienen los mapas a la hora de orientarnos a dar soluciones a muchos de los problemas sociales y a su vez informar y alertar a la población de los lugares en donde más se concentran contagios para que extremen precauciones si por el motivo que fuese tienen que acudir a algunos de esos puntos. Y si vives en la ciudad de México el mapa de la ciudad con más casos por alcaldía puede ayudar a que las personas estén alerta en dichas zonas y tomen sus debidas precauciones. Todos los datos fueron tomados de los portales del gobierno federal encagados de brindar toda la información acerca de la contingencia sanitaria provocada por la covid-19.

I. Recopilando los datos

Empezaremos por crear un vector de acuerdo con el nombre de aquellos estados con mas casos de covid, así como también agregándole las coordenadas de esos estado, primero la longitud y después la latitud. Una vez recolectados los datos, con ayuda de la función ‘rbind’ se creara una matriz por columnas con los datos proporcionados.

edomex<-c(-99.65324,19.28786)
nuevoleon<-c(-100.31847,25.67507)
guanajuato<-c(-101.25910,21.01858)
cdmx<-c(-99.12766,19.42847)
sonora<-c(-110.97732,29.10260)
coahuila<-c(-103.41898,25.54389)
jalisco<-c(-103.39182,20.66682)
estados<-rbind(edomex,nuevoleon,guanajuato,cdmx,sonora,coahuila,jalisco)
estados
##                  [,1]     [,2]
## edomex      -99.65324 19.28786
## nuevoleon  -100.31847 25.67507
## guanajuato -101.25910 21.01858
## cdmx        -99.12766 19.42847
## sonora     -110.97732 29.10260
## coahuila   -103.41898 25.54389
## jalisco    -103.39182 20.66682

II. Cambiando el nombre de nuestras columnas

Una mejor manera de poder vizualizar mejor nuestra matriz, es asignandole un nombre a los datos, en este caso longitud y latitud. Usaremos la función ‘colnames’ para poder llevarlo acabo.

colnames(estados)<-c("Longitud","Latitud")
estados
##              Longitud  Latitud
## edomex      -99.65324 19.28786
## nuevoleon  -100.31847 25.67507
## guanajuato -101.25910 21.01858
## cdmx        -99.12766 19.42847
## sonora     -110.97732 29.10260
## coahuila   -103.41898 25.54389
## jalisco    -103.39182 20.66682

III. convertiendo la matriz en un data.frame

Es importante crear un data.frame que será indispensable para crear nuestro mapa. Por ellos procederemos a convertir nuestra matriz en un data.frame de la siguiente manera.

estados<-data.frame(estados)
estados
##              Longitud  Latitud
## edomex      -99.65324 19.28786
## nuevoleon  -100.31847 25.67507
## guanajuato -101.25910 21.01858
## cdmx        -99.12766 19.42847
## sonora     -110.97732 29.10260
## coahuila   -103.41898 25.54389
## jalisco    -103.39182 20.66682

IV. Creando una gráfica de dispersión con nombres y puntos

Una vez creado nuestro data.frame podemos crear directamente nuestro mapa, pero también podemos crear una gráfica de dispersión en el cual podemos utilizar los nombres de las ciudades como etiquetas con la función ‘ggplot’ junto con ‘geom_text. Si utilizamos la función ’geom_point’ podemos agregar puntos y para hacerla más interactiva se puede agregar la función ‘ggploty’

dispersion<-ggplot(estados)+geom_text(aes(Longitud,Latitud),label= rownames(estados))+geom_point(aes(Longitud,Latitud),color= rainbow(7))
ggplotly(dispersion)

V. Creando un mapa

Y ahora sí pedemos crear nuestro mapa utilizando la función ‘qmplot’

qmplot(Longitud, Latitud, data=estados, color=I(rainbow(7)))

VI. Creando un mapa de puntos y denssidad

Como un plus podemos agregar también un mapa de densidad, que puede ser útil para visualizar el área del país donde más casos de la covid-19 se concentran, utilizando el parametro ‘geom = c(’“point”, “density2d”)

qmplot(Longitud, Latitud, data=estados, geom=c("point","density2d"))

Como vimos, teniendo la información correcta podemos hacer muchos tipos de mapas con diferentes fines. Para ahondar más con referente a los casos de la covid-19 lo veremos ahora en la ciudad de México pudiendo observar las delegaciones con más casos confirmados en toda la ciudad

VII. Recolectando datos de longitud y latitud, esta vez los de las delegaciones de la ciudad de México

iztapalapa<-c(-99.0567989642,19.3491663204)
gustavo<-c(-99.1158642087,19.5040652077)
alvaro<-c(-99.246819712,19.336175562)
tlalpan<-c(-99.2062207957,19.1983396763)
coyoacan<-c(-99.1503763525,19.3266672536)
alcaldias<-rbind(iztapalapa,gustavo,alvaro,tlalpan,coyoacan)
alcaldias
##                 [,1]     [,2]
## iztapalapa -99.05680 19.34917
## gustavo    -99.11586 19.50407
## alvaro     -99.24682 19.33618
## tlalpan    -99.20622 19.19834
## coyoacan   -99.15038 19.32667

VIII. Repetimos el mismo paso del inciso II el cual era asignar nombres a nuestros datos ya recopilados con la función ‘colnames’.

colnames(alcaldias)<-c("Longitud","Latitud")
alcaldias
##             Longitud  Latitud
## iztapalapa -99.05680 19.34917
## gustavo    -99.11586 19.50407
## alvaro     -99.24682 19.33618
## tlalpan    -99.20622 19.19834
## coyoacan   -99.15038 19.32667

IX. Al igual que en el paso V utilizamos la función ‘qmplot’ y listo podremos vizualizar nuestro mapa, pero esta vez observando uno una de las ciudades donde más casos de la covid-19 se concentran y a su vez los puntos de esa ciudad donde más casos confirmados

alcaldias<-data.frame(alcaldias)
alcaldias
##             Longitud  Latitud
## iztapalapa -99.05680 19.34917
## gustavo    -99.11586 19.50407
## alvaro     -99.24682 19.33618
## tlalpan    -99.20622 19.19834
## coyoacan   -99.15038 19.32667

Parentesis. Como dije anteriormente una vez recolectados los datos y hecho ejecutado nuestro data.frame podemos directamente crear nuestro mapa. En este caso ya no me detendré a realizar el mapa de dispersión como lo hice arriba. Procederemos a hacer el mapa para no dar más vuelto y evitar confundir pero en dado caso que ustedes quieran realizar el mapa de dispersión es la misma dinámica. Con la función ‘ggplot’ se hacen los nombres de las alcaldías como etiquetas en combinación de la función ‘geom_text’. Si se quiere agregar los puntos y hacer el mapa más interactivo podemos seguir los demás pasos expuestos en el punto II

X. Al igual que en el paso V utilizamos la función ‘qmplot’ y listo podremos vizualizar nuestro mapa, pero esta vez observando uno una de las ciudades donde más casos de la covid-19 se concentran y a su vez los puntos de esa ciudad donde más casos confirmados hay. Ejecutare solo esta vez solo la función ‘qmplot’, quitando los puntos de colores solo para mostrar otra manera de hacer el mapa sin añadir más funciones, pero que es es igual de efectiva a la hora de vizualizar

qmplot(Longitud, Latitud, data=alcaldias)

Conclusion. Como podemos ver con este ejercicio los mapas tienen una gran variedad de funciones que podemos aplicar a la hora de dar solociones a muchas de las problemáticas. En esta ocasión quise hacerlo sobre un tema que es de mucha urgencia atender para el bienestar de todos. Con los datos correctos podemos ver las ciudades con más contagios en el país y poder así tomar medidas necesarias para poder mitigar y controlar contagios. Si queremos tomar medidas más drásticas podemos ver exactamente los puntos donde más se concentrar contagios en la ciudad y poder aplicar medidas un poco más fuertes para poder tener aún más un control sobre la situación, actuar de manera rapida y pudiendo así salir más rápido de la problemática.

Esta obra fue generada mediante R en January 11, 2021 y forma parte de las actividades realizadas en las materias de Matemáticas I y Taller III, Facultad de Economía, UNAM.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional. Creative Commons (CC).Licencia de Creative Commons